AgentMesh는 개발자가 특정 작업 또는 도메인에 집중하는 AI 에이전트 네트워크를 생성할 수 있는 모듈식 인프라를 제공합니다. 에이전트는 런타임에 동적으로 검색 및 등록되고, 메시지를 비동기적으로 교환하며, 구성 가능한 라우팅 규칙을 따릅니다. 이 프레임워크는 재시도, 폴백, 오류 복구를 처리하여 데이터 처리, 의사결정 지원 또는 대화용 케이스를 위한 다중 에이전트 파이프라인을 가능하게 합니다. 기존 LLM 및 사용자 정의 모델과 간단한 플러그인 인터페이스를 통해 쉽게 통합할 수 있습니다.

이 리포지토리는 FIPA Contract Net 상호작용 프로토콜의 완전한 Java 구현을 제공합니다. 개발자는 관리 에이전트와 계약 에이전트를 생성하여 CFP, 제안, 수락, 거절 등을 에이전트 통신 채널을 통해 교환할 수 있습니다. 주요 모듈에는 작업 브로드캐스팅, 입찰 수집, 사용자 지정 기준에 따른 제안 평가, 계약 수여, 실행 상태 모니터링이 포함되며, 연구 시뮬레이션, 산업 스케줄링, 로봇 협력 등에 활용할 수 있습니다.

FMAS (Flexible Multi-Agent System)는 오픈소스 Python 라이브러리로, 다중 에이전트 시뮬레이션의 구축, 실행 및 시각화를 제공합니다. 사용자 정의 의사 결정 논리를 갖는 에이전트를 정의하고, 환경 모델을 구성하며, 통신 채널을 설정하고, 확장 가능한 시뮬레이션을 실행할 수 있습니다. FMAS는 에이전트 상태 모니터링, 상호 작용 디버깅 및 결과 내보내기를 위한 후크를 제공하며, 모듈화된 아키텍처는 시각화, 메트릭 수집 및 외부 데이터 소스와의 통합을 위한 플러그인을 지원하여 연구, 교육 및 실제 프로토타입에 적합합니다.

MultiAgentes는 환경과 에이전트 정의를 위한 모듈식 아키텍처를 제공하며, 동기 및 비동기 멀티 에이전트 상호 작용을 지원합니다. 환경과 에이전트용 기본 클래스, 협력 및 경쟁 작업용 사전 정의된 시나리오, 보상 함수 사용자 지정 도구, 에이전트 간 메시징 및 관찰 공유를 위한 API를 포함합니다. 시각화 유틸리티는 에이전트 행동을 실시간으로 모니터링할 수 있으며, 로깅 모듈은 성능 메트릭을 기록하여 분석합니다. 이 프레임워크는 Gym 호환 강화 학습 라이브러리와 원활하게 통합되어 기존 알고리즘을 사용한 에이전트 훈련이 가능합니다. 확장성을 고려하여 개발자가 새로운 환경 템플릿, 에이전트 유형 및 통신 프로토콜을 추가할 수 있으며, 다양한 연구 및 교육 용도에 적합합니다.